Estudio de idoneidad de la técnica Random Forest para la regionalización estadística de proyecciones de cambio climático

Abstract

RESUMEN: Los Modelos Globales del Clima (GCM, por sus siglas en inglés) son las herramientas utilizadas hoy en día para la simulación del clima en las diferentes escalas temporales (desde 3-5 días vista hasta final de siglo). Debido a ciertas limitaciones físicas y a su alto coste computacional, la resolución espacial de los GCM actuales todavía es insuficiente. Para ayudar a solventar esta limitación se ha desarrollado en las últimas décadas una extensa batería de técnicas de regionalización (o downscaling). En el marco de la iniciativa europea VALUE (http://www.value-cost.eu/), cuyo objetivo es el de comparar diferentes estrategias de regionalizacion para el estudio del cambio climático (Gutiérrez et al., 2018), han presentado recientemente la intercomparación de métodos de regionalizacion estadística más extensa (más de 50 técnicas) y rigurosa hasta la fecha sobre 86 estaciones repartidas por Europa. En este Trabajo de Fin de Máster se perfila a random forest como otra opción válida a las técnicas presentes en Gutiérrez et al. (2018). Además se muestra como random forest también es otra opción viable para la regionalización estadística de proyecciones de cambio climático sin necesidad de una fase de selección de variables, obteniendo resultados más realistas que otras técnicas.

ABSTRACT: Global Climate Models (GCMs) are the tools used today to simulate climate at different time scales (from 3-5 days seen until the end of the century). Due to certain physical limitations and their high computational cost, the spatial resolution of the current GCMs is still insuficient. In order too solve this limitation, an extensive battery of downscaling techniques has been developed in recent decades. In the European initiative VALUE (http://www.value-cost.eu/), whose objective is to compare different downscaling strategies for the study of climate change (Gutiérrez et al., 2018), recently presented the intercomparison of methods of statistical downscaling most extensive (more than 50 techniques) and rigorous to date over 86 stations spread across Europe. In this Master's Thesis, random forest is outlined as another valid option to the techniques present in Gutiérrez et al. (2018). It is also shown that random forest is also another viable option for the statistical downscaling of climate change projections without the need for a phase of selection of variables, obtaining more realistic results than other techniques.